Vaccinating Federated Learning for Robust Modulation Classification in Distributed Wireless Networks

要約

自動変調分類 (AMC) は、分散型ワイヤレス ネットワーク内で効率的で信頼性の高い通信サービスを確保する上で重要な役割を果たします。
最近の開発では、ディープ ニューラル ネットワーク (DNN) ベースの AMC モデルへの関心が急増しており、Federated Learning (FL) が有望なフレームワークとして浮上しています。
これらの進歩にもかかわらず、信号内のさまざまなノイズの存在は、顕著な特徴を捕捉するためにモデルを最適化する際に重大な課題を引き起こします。
さらに、既存の FL ベースの AMC モデルは一般に線形集約戦略に依存しており、実際の非 IID (独立かつ同一分散) 環境内で局所的に微調整されたパラメーターを統合する際に顕著な困難に直面しており、そのため最適な学習収束が妨げられています。
これらの課題に対処するために、バランスの取れたレベルのノイズを意図的に導入することで、さまざまなノイズ レベルを持つ信号全体の一般化性を向上させることを目的とした新しい FL モデルである FedVaccine を提案します。
これは、DNN モデルの最適なノイズ許容値を特定する、私たちが提案する高調波ノイズ耐性アプローチを通じて実現され、それによってトレーニング プロセスを調整し、過剰適合を軽減します。
さらに、FedVaccine は、構造的クラスタリング トポロジとローカル キュー データ構造を使用した分割学習戦略を採用することで、既存の FL ベースの AMC モデルの線形集約の制限を克服し、ローカル モデルへの適応的かつ累積的な更新を可能にします。
IID データセットと非 IID データセット、アブレーション研究を含む当社の実験結果は、FedVaccine の堅牢なパフォーマンスと、さまざまなノイズ レベルにおける既存の FL ベースの AMC アプローチに対する優位性を裏付けています。
これらの調査結果は、実際の無線ネットワーク環境における AMC システムの信頼性とパフォーマンスを向上させるフェドワクチンの可能性を浮き彫りにしています。

要約(オリジナル)

Automatic modulation classification (AMC) serves a vital role in ensuring efficient and reliable communication services within distributed wireless networks. Recent developments have seen a surge in interest in deep neural network (DNN)-based AMC models, with Federated Learning (FL) emerging as a promising framework. Despite these advancements, the presence of various noises within the signal exerts significant challenges while optimizing models to capture salient features. Furthermore, existing FL-based AMC models commonly rely on linear aggregation strategies, which face notable difficulties in integrating locally fine-tuned parameters within practical non-IID (Independent and Identically Distributed) environments, thereby hindering optimal learning convergence. To address these challenges, we propose FedVaccine, a novel FL model aimed at improving generalizability across signals with varying noise levels by deliberately introducing a balanced level of noise. This is accomplished through our proposed harmonic noise resilience approach, which identifies an optimal noise tolerance for DNN models, thereby regulating the training process and mitigating overfitting. Additionally, FedVaccine overcomes the limitations of existing FL-based AMC models’ linear aggregation by employing a split-learning strategy using structural clustering topology and local queue data structure, enabling adaptive and cumulative updates to local models. Our experimental results, including IID and non-IID datasets as well as ablation studies, confirm FedVaccine’s robust performance and superiority over existing FL-based AMC approaches across different noise levels. These findings highlight FedVaccine’s potential to enhance the reliability and performance of AMC systems in practical wireless network environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google